Data Analyst
Mô tả công việc
Department / Division: Data Solutions and Analytics Department - Information Technology Division
Reports To: Department Manager
JOB RESPONSIBILITIES
- The Data Analyst / Analytics Engineer is responsible for building, standardizing, and delivering data to support analytics, enabling data-driven decision making.
- Collaborate closely with cross-functional teams and Business Analysts (BA) to understand requirements, collect, analyze, and propose data solutions.
- Build, manage, and visualize data on platforms such as Power BI and Apache Superset to support analysis, process optimization, and business improvements.
- Design and develop data models, and build & maintain datasets.
- Optimize SQL queries, reports, and reporting workflows; collaborate with Data Engineers to manage pipelines and implement updates.
- Provide training and guidance to relevant departments on using datasets and reports for data analysis.
JOB REQUIREMENTS
- Bachelor’s degree in Computer Science, Engineering, Mathematics, Finance, Accounting, Business Administration, or an equivalent field.
- Minimum 3+ years of experience in Data Analytics / Analytics Engineering.
- Strong experience in data modeling and understanding of Data Warehouse (DWH) design methodologies (Kimball vs. Inmon).
- Hands-on experience in building Data Warehouse and Data Mart; solid understanding of OLAP vs. OLTP; experience with DIM/FACT tables, SCD types, and schema designs (Star, Snowflake, Galaxy).
- Experience with BI tools such as Power BI (Power BI Service, Power BI Report Server, SSRS), Apache Superset, Tableau, etc.; proficiency in DAX, building measures, and strong data visualization skills.
- Proficient in SQL; working knowledge of R/Python (e.g., Pandas, Matplotlib) for data analysis (data profiling, etc.) and automation.
- Experience with Data Pipeline/ETL and DBT; familiarity with high-performance data formats in Lakehouse architectures (e.g., Iceberg, Delta, Hudi).
- Experience with technologies/services such as Athena, Redshift, BigQuery, ClickHouse is a plus.
ATTACTIVE BENEFITS & COMPENSATION PACKAGEA
- Project/Environment: Join one of Vietnam’s largest Core Banking Transformation Projects, handling up to 1 billion transactions per day, full cloud Services. Work in a modern, technology-driven environment leveraging Cloud-native, DevOps, Microservices, and CI/CD practices. Learn directly from international technology experts and participate in strategic digital banking initiatives.
- Career path: Have aclear career development roadmap with opportunities to advance to Leader or Expert roles in the Digital Data Banking domain.
- Learning & Development: support for professional training courses and international certification exams.
- Compensation: Competitive salary package: 40-48M Gross (Senior), 30M -38M (Middle) x 14–15 months/year.
- Performance-based bonuses: business results, individual performance, innovation, responsibility, etc.
- Health insurance & wellness: GPBankCare GOLD package (provided by Bao Viet Insurance) extended to employees and family members.
- Annual company trip and vacation allowance
- Holiday & special occasion bonuses (National holidays: Sept 2nd, Apr 30th, Hung Kings’ Festival, birthdays, weddings, birthday,etc.)
WORKING HOURS AND LOCATION
- Working Hours: Standard working hours: Monday – Friday (flexible start time: 8:00 / 8:30 / 9:00) and 2 Saturday mornings per month (8:00–12:00) (may remote).
- Work Locations: 45 Nguyen Van Huyen, Cau Giay, Ha Noi (New GPBank Technology Headquarters)
Receive additional advice on the job opportunity
📞 Phone/Zalo: 0376 060 513
📧 Email: anhnp2@gpbank.com.vn
Phân tích kỹ năng cần có
🎯 Phân tích kỹ năng cho vị trí Data Analyst – GPBank
📌 Tổng quan vị trí
Đây không phải Data Analyst "cơ bản" nhỏ lẻ, mà là Analytics Engineer kết hợp Data Analyst trong một dự án Core Banking Transformation cực lớn (xử lý tới 1 tỷ giao dịch/ngày, full cloud). Yêu cầu khá cao – người làm phải vừa "build data" vừa "business thinking".
---
🔧 HARD SKILLS – Bắt buộc phải có
| Nhóm kỹ năng | Mức độ | Chi tiết cần nắm |
|---|---|---|
| SQL | ⭐⭐⭐⭐⭐ | Query phức tạp, window functions, CTE, optimization, hiểu execution plan |
| Data Modeling | ⭐⭐⭐⭐⭐ | Kimball vs Inmon, Star Schema, Snowflake Schema, Galaxy Schema |
| DWH Concepts | ⭐⭐⭐⭐⭐ | Data Warehouse vs Data Mart, OLAP vs OLTP, DIM/FACT tables, SCD Type 1/2/3 |
| Power BI | ⭐⭐⭐⭐ | Power BI Service, Report Server, SSRS, DAX (measures, calculated columns), data visualization |
| Python/R | ⭐⭐⭐ | Pandas, Matplotlib, profiling data, automation scripts |
| ETL/DBT | ⭐⭐⭐⭐ | Data Pipeline, DBT (Data Build Tool) |
| BI Tools khác | ⭐⭐⭐ | Apache Superset, Tableau (ưu tiên Superset vì JD nêu rõ) |
🚀 HARD SKILLS – Có thì "điểm cộng" lớn
| Công nghệ | Vai trò |
|---|---|
| Lakehouse (Iceberg/Delta/Hudi) | Format bảng cho data lake – xu hướng hiện đại |
| Athena, Redshift, BigQuery, ClickHouse | Cloud data warehouse – chứng minh bạn làm việc với big data |
| Cloud-native, DevOps, Microservices, CI/CD | Môi trường tech hiện đại |
🤝 SOFT SKILLS – Không thể thiếu
- Communication & Stakeholder Management: Phải đi họp với BA, business users, giải thích dataset cho người không chuyên tech
- Training mindset: JD yêu cầu "provide training to relevant departments" – bạn sẽ là mentor
- Problem-solving: Tối ưu query, debug pipeline, truy vết data quality issues
- Business acumen: Hiểu ngân hàng = điểm cộng cực lớn (credit scoring, deposit growth, NPL, transaction monitoring...)
- Tiếng Anh: Làm việc với chuyên gia quốc tế, tài liệu kỹ thuật chắc chắn tiếng Anh
---
📜 CHỨNG CHỈ GỢI Ý (nếu có thì càng tốt)
| Chứng chỉ | Giá trị |
|---|---|
| Microsoft Certified: Power BI Data Analyst Associate (PL-300) | Chứng minh Power BI skill chuẩn quốc tế |
| Google Data Analytics Certificate | Foundation tốt cho người mới |
| dbt Analytics Engineering Certificate | Phù hợp với yêu cầu DBT trong JD |
| AWS Certified Data Analytics – Specialty | BigQuery/Redshift/Athena đều là AWS ecosystem |
| Snowflake SnowPro Certification | Nếu JD yêu cầu Snowflake schema |
---
💡 Phân tích "ngầm" từ JD
JD nói "Analytics Engineer" – đây là role hybrid giữa Data Engineer (build pipeline, optimize) và Data Analyst (insight, visualize). Nếu bạn chỉ thuần visualization mà không build được DWH thì khả năng cao bị loại ở vòng technical.
JD nói "Core Banking Transformation Project" – đừng nghĩ đây là làm báo cáo Excel hàng ngày. Đây là dự án chiến lược, build lại từ đầu hệ thống dữ liệu ngân hàng. Rất tốt cho CV nhưng cũng áp lực cao.
Chuẩn bị phỏng vấn
🎤 Hướng dẫn phỏng vấn Data Analyst – GPBank
📋 Quy trình tuyển dụng dự kiến (4-5 vòng)
| Vòng | Hình thức | Nội dung |
|---|---|---|
| Vòng 1 – HR Screen | Phone/Zalo | Lý lịch, mức lương mong muốn, lý do ứng tuyển |
| Vòng 2 – Technical Test | Online/Offline | SQL test, Power BI test, có thể có bài test case study |
| Vòng 3 – Technical Interview | Trực tiếp | Phỏng vấn sâu về Data Modeling, DWH, ETL |
| Vòng 4 – Manager Interview | Trực tiếp | Business thinking, fit với team Core Banking |
| Vòng 5 – Offer | HR | Thương lượng lương, benefits, ngày vào |
(Lưu ý: GPBank đăng tuyển qua hotline/email nên có thể quy trình được rút gọn, nhưng với vị trí Senior chắc chắn có test + nhiều vòng)
---
📝 Câu hỏi phỏng vấn hay gặp
🔹 Vòng HR
- "Anh/chị biết gì về GPBank? Tại sao chọn ngân hàng chứ không phải fintech?"
- "Mức lương mong muốn của anh/chị là bao nhiêu?"
- "Trong 30 ngày tới, anh/chị sẽ làm gì đầu tiên nếu được nhận?"
🔹 Vòng Technical (quan trọng nhất!)
SQL & Data Modeling:
- Phân biệt Star Schema và Snowflake Schema – khi nào nên dùng cái nào?
- Giải thích SCD Type 1, 2, 3. Bạn đã dùng SCD Type 2 ở project nào?
- Kimball vs Inmon – ưu nhược điểm mỗi phương pháp?
- Cho một bảng `transactions(customer_id, amount, txn_date)`, viết SQL tính tổng amount theo từng khách hàng trong 30 ngày gần nhất
- Window function khác gì GROUP BY? Cho ví dụ thực tế
Power BI & Visualization:
- DAX: Viết measure tính YoY growth % doanh thu
- Power BI Service khác Power BI Report Server ở điểm nào?
- Khi nào dùng Calculated Column vs Measure?
- Bạn tối ưu file Power BI 500MB như thế nào?
ETL/DBT/Pipeline:
- DBT dùng để làm gì? Tại sao DBT phổ biến trong Analytics Engineering?
- ETL vs ELT – sự khác biệt và khi nào dùng cái nào?
- Data Pipeline của bạn xử lý data freshness thế nào?
Business/Case Study:
- Ngân hàng muốn giảm NPL (nợ xấu) – bạn sẽ xây dựng dataset và dashboard như thế nào?
- Một khách hàng giao dịch bất thường (tăng 10x) – data analyst cần làm gì?
🔹 Vòng Manager
- "Mô tả một data project thất bại của anh/chị – bài học rút ra?"
- "Bạn xử lý conflict khi business muốn số liệu A nhưng data thực tế là B?"
- "Tầm nhìn 3 năm của anh/chị trong lĩnh vực data banking?"
---
👔 Dress code & Quy tắc ứng xử
| Hạng mục | Gợi ý |
|---|---|
| Trang phục | Smart casual hoặc vest + quần âu. Ngân hàng = formal. Tránh quần jeans, áo thun |
| Đến sớm | 10-15 phút trước giờ hẹn |
| Mang theo | Laptop có sẵn Power BI demo, CV bản in, bằng cấp/chứng chỉ photo |
| Liên hệ | Gọi/Zalo trước 0376 060 513 (anh N.P.A) để xác nhận lịch – pro-tip: hỏi đúng tên người liên hệ trong JD |
| Xưng hô | "Anh/Chị" lịch sự, tránh "em" hoặc "mình" quá sớm |
🌟 Tips "đàn anh" chia sẻ
1. Đừng chỉ liệt kê tool: Khi được hỏi "biết Power BI không?" – đừng trả lời "có". Hãy kể một project cụ thể, số liệu cụ thể (vd: "Em built dashboard giám sát transaction cho phòng Risk, giảm 40% thời gian report manual")
2. Hiểu ngân hàng trước khi vào: Đọc về Basel II/III, CAR (Capital Adequacy Ratio), LDR, NPL... Hiểu cơ bản về product ngân hàng (deposit, loan, card, e-banking)
3. Demo project cá nhân: Có một GitHub portfolio hoặc file .pbix mẫu = cực kỳ ăn điểm
4. Hỏi ngược: "Team mình hiện tại đang dùng stack gì? Có bao nhiêu người trong Data team?" – thể hiện bạn nghiêm túc
Lộ trình ôn thi
📚 Lộ trình ôn tập 1-2 tuần cho vị trí Data Analyst – GPBank
🎯 Nguyên tắc chung
Job này yêu cầu rất rộng (SQL + DWH + BI + ETL + Python), nhưng chuyên sâu thì ở SQL và Data Modeling. Hãy ưu tiên 2 mảng này trước.
---
📅 Lộ trình 7 ngày (nếu cần gấp)
| Ngày | Chủ đề | Hoạt động cụ thể |
|---|---|---|
| Ngày 1-2 | SQL nâng cao | Window functions, CTE, query optimization, execution plan. Luyện trên LeetCode/SQLZoo/HackerRank |
| Ngày 3 | Data Modeling & DWH | Học Kimball, Inmon. Vẽ Star Schema cho dataset ngân hàng (customers, accounts, transactions, loans) |
| Ngày 4 | Power BI | DAX measures (CALCULATE, FILTER, ALL), time intelligence functions. Build 1 dashboard mẫu |
| Ngày 5 | ETL/DBT/Pipeline | Đọc docs DBT, học khái niệm Lakehouse (Delta, Iceberg) |
| Ngày 6 | Business ngân hàng | Tìm hiểu NPL, CAR, LDR, Basel. Đọc tin tức ngân hàng Việt Nam tuần qua |
| Ngày 7 | Mock interview | Tự luyện trả lời câu hỏi, demo project, chuẩn bị câu hỏi ngược cho HR |
---
📅 Lộ trình 14 ngày (chuyên sâu hơn – khuyến nghị)
Tuần 1 – Nền tảng kỹ thuật
| Ngày | Nội dung | Tài liệu |
|---|---|---|
| T2 | SQL cơ bản → nâng cao | Mode Analytics SQL Tutorial, SQLZoo |
| T3 | Window functions, CTE, Optimization | "SQL for Data Analysis" – Cathy Tanimura |
| T4 | Data Warehouse Concepts | "The Data Warehouse Toolkit" – Ralph Kimball |
| T5 | Star/Snowflake Schema, SCD | Bài viết trên Medium, Towards Data Science |
| T6 | ETL vs ELT, DBT | DBT docs chính thức (docs.getdbt.com) |
| T7 | Ôn lại + vẽ diagram | Tự thiết kế DWH cho ngân hàng giả lập |
Tuần 2 – Ứng dụng & Phỏng vấn
| Ngày | Nội dung | Hoạt động |
|---|---|---|
| T8 | Power BI Service & Desktop | Microsoft Learn (miễn phí) |
| T9 | DAX chuyên sâu | SQLBI.com (của Marco Russo) |
| T10 | Apache Superset basics | Superset docs |
| T11 | Python Pandas + Matplotlib | Kaggle courses |
| T12 | Business Banking | Đọc báo Đầu tư, CafeF, VnExpress về NH |
| T13 | Mock interview + portfolio | Build 1 project demo |
| T14 | Review + relax | Tổng hợp kiến thức |
---
📚 Tài liệu tham khảo "must-read"
| Tài liệu | Loại | Mức độ cần |
|---|---|---|
| "The Data Warehouse Toolkit" – Ralph Kimball | Sách | 📖 Bắt buộc |
| SQL for Data Analysis – Cathy Tanimura (O'Reilly) | Sách | 📖 Rất nên |
| DAX Patterns – SQLBI.com | Web | 📖 Rất nên |
| DBT Documentation | Web | 📖 Bắt buộc |
| Microsoft Power BI Learn | Web (free) | 📖 Bắt buộc |
| Apache Superset Documentation | Web | 🔹 Tham khảo |
| Designing Data-Intensive Applications | Sách | 🔹 Nâng cao |
| Towards Data Science (Medium) | Blog | 🔹 Hàng ngày |
🔗 Nguồn luyện SQL & Case Study
- LeetCode Database (https://leetcode.com/problemset/database/) – luyện SQL
- HackerRank SQL – bài tập theo level
- Mode Analytics SQL Tutorial – case study thực tế
- Kaggle Datasets về banking/finance
💡 Đề xuất project cá nhân để demo
Project: "Banking Transaction Analytics Dashboard"
- Dataset: Kaggle Banking Dataset (hoặc mock data)
- Xây DWH theo Star Schema
- ETL bằng DBT hoặc Python
- Visualize trên Power BI: Customer segmentation, Fraud detection, Product performance
- Push lên GitHub + viết README chi tiết
Project này đủ để cover hết requirement trong JD và rất ấn tượng khi phỏng vấn.
Tư vấn nghề nghiệp
🚀 Lời khuyên sự nghiệp cho Data Analyst tại GPBank
💼 Phân tích mức lương
| Cấp bậc | Gross/tháng | Gross/năm (x 14-15 tháng) | Đánh giá |
|---|---|---|---|
| Middle (3-5 năm) | 30-38 triệu | 420-570 triệu/năm | Khá tốt so với thị trường NH Việt Nam, tương đương VPBank, Techcombank Middle |
| Senior (5-8 năm) | 40-48 triệu | 560-720 triệu/năm | Cạnh tranh, có thể so với Lead ở NH khác |
> Note: Đây là GROSS – thực nhận sau thuế TNCN sẽ thấp hơn ~10-15%. Cộng thêm bonus performance có thể lên 700-900 triệu/năm cho Senior nếu performance tốt.
📊 So sánh nhanh với thị trường
| Ngân hàng/CTC | Data Analyst tầm Senior | Ghi chú |
|---|---|---|
| GPBank | 40-48M Gross | Core banking project – học được nhiều |
| VPBank/Techcombank/MBB | 35-50M Gross | Big4 NH, nhiều data hơn |
| Vietcombank/BIDV/VietinBank | 30-45M Gross | Lương ổn, process chậm hơn |
| Fintech (MoMo, ZaloPay, VNPay) | 40-60M Gross | Lương cao hơn nhưng pressure lớn |
---
🛤️ Lộ trình thăng tiến dự kiến tại GPBank
```
Data Analyst (Middle) → Senior Data Analyst → Lead/Manager
↓ ↓ ↓
Analytics Engineer Data Solutions Manager Department Head
↓ ↓ ↓
Data Engineer/Scientist Chief Data Officer (CDO) IT Director
```
Thời gian thăng tiến dự kiến:
- Middle → Senior: 2-3 năm
- Senior → Lead: 3-5 năm
- Lead → Manager: 4-6 năm (tùy năng lực & cơ hội)
---
📈 Kỹ năng cần phát triển thêm (để tăng tốc thăng tiến)
Ngắn hạn (0-6 tháng):
- Thành thạo Power BI Service (gateway, dataset refresh, Row-Level Security)
- Học sâu Apache Superset (JD nhấn mạnh công cụ này)
- Đọc hiểu code Python từ Data Engineer
Trung hạn (6-18 tháng):
- Lấy chứng chỉ PL-300 (Power BI) hoặc dbt Analytics Engineer
- Học Cloud (AWS/Azure/GCP) – ưu tiên AWS vì Athena/Redshift nằm trong JD
- Hiểu sâu ngân hàng: Basel II/III, IFRS 9, risk modeling
Dài hạn (2-3 năm):
- Machine Learning cơ bản (scikit-learn) để mở rộng sang Data Scientist
- DataOps, MLOps
- Leadership & stakeholder management
---
⚖️ Ưu – Nhược điểm khi làm tại GPBank
✅ Ưu điểm:
- Dự án Core Banking Transformation – cực hiếm ở VN, sẽ là điểm sáng CV
- Mức lương cạnh tranh trong nhóm NH TMCP tầm trung
- Làm việc với chuyên gia quốc tế – học nhanh
- Cơ sở vật chất mới (45 Nguyễn Văn Huyên – Tech HQ mới)
- Có lộ trình thăng tiến rõ ràng
⚠️ Nhược điểm cần cân nhắc:
- GPBank không phải NH top đầu – brand name chưa mạnh bằng VCB/BIDV/CTG
- Làm NH nhỏ/đang chuyển đổi = nhiều việc "tay chân" hơn NH lớn
- Thứ 7 có thể làm 2 buổi/tháng (dù có remote) – cân nhắc work-life balance
- Áp lực dự án lớn + deadline chặt
---
🎓 Lời khuyên cuối
1. Nếu bạn mới ra trường (chưa đủ 3 năm kinh nghiệm): Đừng apply vội. Hãy làm 2-3 năm ở fintech/CTC/outsource NH trước để đủ kinh nghiệm
2. Nếu bạn đang ở Fintech: Đây là cơ hội tốt để "chuyển" vào NH chính thống, làm dự án lớn
3. Nếu bạn đang ở NH lớn (VCB/BIDV): Cân nhắc kỹ – đổi công ty nhỏ hơn có thể tăng lương 20-30% nhưng brand name giảm
4. Nếu bạn muốn thăng lên CDO/CTO: GPBank là môi trường tốt vì đang chuyển đổi số mạnh, nhiều cơ hội
> 💬 Lời nhắn từ "đàn anh": Đừng chỉ nhìn lương tháng. Hãy nhìn dự án bạn sẽ làm trong 3-5 năm tới. Core Banking Transformation là loại project một lần trong đời – cơ hội build hệ thống data cho NH từ con số 0. CV sau này sẽ cực kỳ có giá trị.
Câu hỏi thường gặp
Em mới ra trường ngành CNTT, có nên apply vị trí Data Analyst ở GPBank không khi JD yêu cầu 3+ năm kinh nghiệm?
Câu trả lời ngắn: Không nên apply trực tiếp.
JD yêu cầu 3+ năm kinh nghiệm, đây là vị trí Middle/Senior trong dự án Core Banking Transformation – rất áp lực. Nếu apply, em sẽ cạnh tranh với các ứng viên đã có kinh nghiệm thực chiến với Power BI + DWH + ETL.
Lộ trình em nên đi:
1. Làm 2-3 năm ở công ty outsource NH/fintech (FPT, TMA, CMC...) để tích lũy kinh nghiệm thực tế với data ngân hàng
2. Trong thời gian đó, lấy chứng chỉ PL-300 (Power BI), xây dựng portfolio GitHub
3. Song song học thêm về DWH, Kimball, SQL nâng cao
4. Sau 3 năm quay lại apply – cơ hội sẽ cao hơn rất nhiều
Trong thời gian chờ, em có thể thử apply các vị trí Junior Data Analyst ở GPBank hoặc các NH khác để khởi đầu.
Mức lương 30-48 triệu Gross x 14-15 tháng ở GPBank có cạnh tranh không so với thị trường?
Tương đối cạnh tranh trong nhóm ngân hàng tầm trung, nhưng cần so sánh theo góc nhìn:
- So với NH cùng tầm (VPBank, Techcombank, MBB, ACB, HDBank): Tương đương đến nhỉnh hơn một chút, đặc biệt vì có bonus performance
- So với NH Big4 (VCB, BIDV, VietinBank, AGRIBANK): Cao hơn 10-15%
- So với Fintech (MoMo, ZaloPay, VNPay): Thấp hơn 15-20%
- So với Product company (VNG, Shopee, Tiki): Thấp hơn rõ rệt
Lưu ý quan trọng:
- Đây là Gross, sau thuế TNCN net sẽ khoảng 25-40 triệu tùy bậc thuế
- 14-15 tháng = có tháng lương thứ 13, tháng lương thứ 14
- Bonus performance có thể cộng thêm 1-3 tháng nếu KPI tốt
- Bảo hiểm GPBankCare GOLD cho cả gia đình = giá trị thực kha khá
Mẹo đàm phán: Khi offer, đừng nhận ngay. Hãy nêu mong muốn cao hơn 10-15% so với mức đề xuất của họ. Có offer cạnh tranh từ công ty khác để leverage.
Em đang làm Data Analyst ở Fintech (MoMo/VNPay), có nên chuyển sang làm NH chính thống như GPBank không?
Nên cân nhắc kỹ – đây là quyết định lớn, cả 2 hướng đều có điểm mạnh/điểm yếu:
Nên chuyển sang GPBank nếu:
- Em muốn có Core Banking domain trong CV (cực kỳ giá trị)
- Em muốn làm dự án lớn từ đầu (Core Banking Transformation)
- Em muốn học Cloud-native, DevOps, Microservices – Fintech nhiều nhưng NH lớn cũng không kém
- Em thích ổn định hơn (NH chính thống ít bị layoff hơn fintech)
- Em muốn tăng lương 20-30% (NH thường trả cao hơn khi tuyển từ fintech)
Không nên chuyển nếu:
- Em đang ở fintech top (MoMo, ZaloPay, ShopeePay) – mức lương + brand khó cạnh tranh
- Em thích tốc độ ra quyết định nhanh (NH chậm hơn fintech)
- Em thích văn hóa startup (NH có nhiều quy trình hơn)
- Em đang ở vị trí Senior/Lead ở fintech – GPBank có thể chỉ cho em ở vị trí tương đương
Tip: Nếu quyết định chuyển, hãy negotiate để GPBank cho em title "Senior" hoặc thêm 1 level, vì NH thường đánh giá cao kinh nghiệm fintech.
JD nói 'Core Banking Transformation Project xử lý 1 tỷ giao dịch/ngày' – điều này có nghĩa là gì và ảnh hưởng gì đến công việc của Data Analyst?
Giải thích '1 tỷ giao dịch/ngày':
Đây là con số cực lớn, tương đương ~11,500 giao dịch/giây (peak có thể gấp 5-10 lần). Để so sánh: 1 NH lớn ở VN có thể xử lý 50-200 triệu giao dịch/ngày. 1 tỷ/ngày = NH tầm cỡ quốc tế hoặc liên kết nhiều NH.
Ảnh hưởng đến công việc Data Analyst:
1. Data volume khổng lồ → Bạn không thể dùng Excel hay Power BI Desktop load full data. Phải dùng cloud DWH (Redshift, BigQuery, ClickHouse)
2. Pipeline phức tạp → Cần Spark/Airflow/Kafka, không chỉ ETL thông thường
3. Real-time vs Batch → Nhiều dashboard yêu cầu real-time, không chỉ T-1
4. Data quality → Một lỗi nhỏ có thể ảnh hưởng hàng triệu record
5. Performance optimization → Query phải tối ưu cực cao, mỗi query có thể chạy hàng giờ nếu viết sai
6. Scalability mindset → Design phải tính trước 3-5 năm
Cơ hội học:
- Làm việc với stack hiện đại (Cloud-native, Microservices, CI/CD, DevOps)
- Học từ chuyên gia quốc tế (theo JD)
- Hiểu sâu kiến trúc ngân hàng thực tế (regulatory compliance, security, audit)
Thử thách:
- Pressure cao hơn nhiều so với project nhỏ
- Làm việc với deadline chặt vì downtime = thiệt hại kinh tế
- Bạn sẽ học nhanh nhưng cũng burn out nhanh nếu không quản lý tốt
Người chuyển ngành (từ BA/Developer/Accountant) sang Data Analyst ở GPBank thì cần chuẩn bị gì?
Tin tốt: JD yêu cầu Bachelor's degree in multiple fields (CS, Engineering, Math, Finance, Accounting, Business Admin) – tức là GPBank chấp nhận nhiều nền tảng. Đặc biệt Finance/Accounting là lợi thế lớn.
Nếu bạn từ BA (Business Analyst):
- Ưu điểm: Hiểu business, giao tiếp tốt
- Cần học thêm: SQL sâu, Power BI, DWH concepts
- Lộ trình: 6-12 tháng tự học + project thực tế
Nếu bạn từ Developer (Backend/Frontend):
- Ưu điểm: Biết code, hiểu data structure
- Cần học thêm: SQL (nếu chưa rành), DAX, data visualization, business thinking
- Lộ trình: 3-6 tháng là đủ
Nếu bạn từ Accountant/Auditor tài chính:
- Ưu điểm: Hiểu sâu ngân hàng/tài chính, biết Basel II, IFRS 9
- Cần học thêm: SQL, Python/Pandas, Power BI, DWH
- Lộ trình: 9-15 tháng
Kế hoạch chuyển ngành 6 tháng:
1. Tháng 1-2: SQL (SQLZoo, Mode Analytics)
2. Tháng 3: Power BI cơ bản đến nâng cao + DAX
3. Tháng 4: Python Pandas + Data Visualization
4. Tháng 5: Data Modeling + DWH concepts (Kimball)
5. Tháng 6: Build 2-3 project portfolio, apply
Tip đặc biệt cho người chuyển ngành:
- Đừng giấu background cũ – hãy tận dụng nó làm USP
- VD: BA + Data = BA-DA combo cực hot, Accountant + Data = Finance-DA combo hiếm
- Trong CV, làm nổi bật câu chuyện chuyển đổi và kỹ năng bổ sung
Em đã làm Data Analyst 5 năm ở ngân hàng khác, có nên apply Senior ở GPBank với mức 40-48M không?
Có, nên apply – nhưng hãy chuẩn bị kỹ để tối đa hóa offer:
Tại sao nên apply:
- 5 năm kinh nghiệm + ngân hàng = ứng viên mạnh
- Senior 40-48M Gross = mức lương tốt cho Senior
- Core Banking Transformation = môi trường học hỏi cao
- Cơ hội thăng lên Lead/Manager trong 2-3 năm
Chiến lược negotiate:
1. Đừng nhận 40M nếu bạn đang được 35M – hãy đề xuất 45-48M (cao hơn current 25-30%)
2. Đàm phán 14-15 tháng lương – Senior thường được 15 tháng
3. Hỏi về bonus structure – performance bonus có thể lên 1-3 tháng
4. Yêu cầu training budget – học chứng chỉ quốc tế (JD nói có support)
5. Hỏi về title: Senior Data Analyst hay Senior Analytics Engineer? – Khác nhau về level
Câu hỏi cần hỏi GPBank khi phỏng vấn:
- Team hiện tại có bao nhiêu người? Cấu trúc team?
- Stack công nghệ chính đang dùng?
- Roadmap của team trong 6 tháng tới?
- Cơ hội onsite/training nước ngoài?
- Tiêu chí đánh giá performance KPI?
Red flag cần chú ý:
- Không rõ ràng về project scope
- Không cho biết stack công nghệ
- Không cam kết mức lương cụ thể
- Quy trình kéo dài quá 2 tháng
So sánh cuối cùng: Nếu bạn đang ở NH top (VCB, BIDV, MBB, Techcombank) với mức 35-40M + thương hiệu mạnh, hãy cân nhắc kỹ. Nếu đang ở NH nhỏ hơn hoặc CTC outsource, GPBank là bước tiến tốt.
KPI của một Data Analyst trong dự án Core Banking thường là gì?
KPI phổ biến theo từng góc độ:
Về chất lượng data:
- Data accuracy rate (≥99%)
- Data freshness (T-1 hoặc real-time)
- Số lượng data incidents/tháng (target: 0-2)
Về delivery:
- Số dashboard/datasets delivered theo sprint
- On-time delivery rate (≥90%)
- Ad-hoc request turnaround time (24-48h)
Về business impact:
- Số business decisions sử dụng data do team cung cấp
- % reduction trong manual reporting effort
- User adoption rate của dashboards
Về cá nhân:
- Số chứng chỉ/khóa học hoàn thành
- Knowledge sharing sessions (training BA, business users)
- Project timeline adherence
KPI đặc thù Core Banking:
- Compliance reporting (Basel II/III, NHNN reports) – không được sai
- Real-time fraud detection accuracy
- Audit trail completeness
Mẹo: Hỏi rõ KPI trong buổi phỏng vấn. Nếu KPI quá nhiều → dấu hiệu team overworked. Nếu KPI quá ít → có thể team chưa mature.
Power BI vs Apache Superset vs Tableau – nên ưu tiên học cái nào cho vị trí này?
Thứ tự ưu tiên cho JD GPBank:
1. Power BI (ưu tiên #1)
- JD liệt kê đầu tiên, chi tiết nhất (Power BI Service, Report Server, SSRS, DAX)
- Microsoft ecosystem phổ biến ở VN, đặc biệt NH
- Bản Enterprise rẻ hơn Tableau
2. Apache Superset (ưu tiên #2)
- JD nêu rõ, cho thấy team đang dùng hoặc sẽ dùng
- Điểm đặc biệt: Superset là open-source, nhiều NH thích vì chi phí thấp
- Cú pháp SQL-native, hơi khác Tableau
- Ít người biết → ít cạnh tranh
3. Tableau (ưu tiên #3 – nice to have)
- Đắt, ít NH Việt Nam dùng
- Nhưng nếu biết sẽ là điểm cộng
Chiến lược học:
- Học Power BI đến mức Senior trước (2-3 tháng)
- Học Apache Superset cơ bản (2-4 tuần)
- Tableau chỉ cần biết cơ bản (1-2 tuần)
Tip: Vì Superset ít tutorial tiếng Việt, đây là cơ hội để bạn tạo content/tutorial – vừa học vừa xây personal brand.
DBT (Data Build Tool) là gì và tại sao JD lại yêu cầu?
DBT là gì?
DBT (data build tool) là công cụ transform data bằng SQL trong DWH. Bạn viết `.sql` files, DBT sẽ:
- Chạy SQL để transform raw data → cleaned/conformed data
- Tự động build dependency graph
- Test data quality
- Tạo documentation
- Version control với Git
Tại sao JD yêu cầu?
DBT là chuẩn mới trong Analytics Engineering (2020-2024). Các lý do:
1. Analytics Engineer ≠ Data Engineer: DE build pipeline (Python/Spark), AE transform data bằng SQL → DBT cầu nối
2. Modern Data Stack: DBT + Snowflake/BigQuery + Superset = stack phổ biến
3. Version control & Testing: SQL transformation có thể được review/test như code
4. Documentation tự động: Không cần Confluence thủ công
5. Lineage tracking: Biết dataset A phụ thuộc vào B nào
DBT khác ETL truyền thống:
- ETL: Extract → Transform → Load (transform trước khi vào DWH)
- DBT/ELT: Extract → Load → Transform (transform ngay trong DWH bằng SQL)
Cách học DBT:
- Docs chính thức: docs.getdbt.com (miễn phí, đầy đủ)
- DBT Analytics Engineering Certificate (free + exam có phí)
- Project thực hành: Build một DBT project transform banking data
Nếu chưa biết DBT: Hãy học trong 2-4 tuần, sẽ ăn điểm rất lớn khi phỏng vấn vì ít ứng viên thành thạo.